Pour que l'apprentissage automatique puisse bénéficier d'une adoption publique généralisée, les modèles doivent être capables de fournir des explications interprétables et robustes de leurs décisions, ainsi que d'apprendre à partir des explications fournies par les humains lors de la phase d'entraînement. Dans cette étude, nous étendons le jeu de données Stanford Natural Language Inference (SNLI) avec une couche supplémentaire d'explications en langage naturel annotées par des humains des relations d'entailment. Nous mettons également en œuvre des modèles qui intègrent ces explications dans leur processus d'entraînement et les produisent lors de la phase de test. Nous montrons comment notre corpus d'explications, que nous appelons e-SNLI, peut être utilisé pour divers objectifs, tels que l'obtention de justifications complètes en phrases des décisions du modèle, l'amélioration des représentations universelles de phrases et le transfert vers des jeux de données SNLI hors domaine. Notre jeu de données ouvre donc un éventail de directions de recherche pour l'utilisation d'explications en langage naturel, tant pour améliorer les modèles que pour affirmer leur fiabilité.